Cuadro de datos del subconjunto basado en el número de filas por grupo

Tengo datos como este, donde algunos “nombres” ocurren más de 3 veces:

df <- data.frame(name = c("a", "a", "a", "b", "b", "c", "c", "c", "c"), x = 1:9) 

Deseo subconjuntar (filtrar) los datos según el número de filas (observaciones) dentro de cada nivel de la variable “nombre”. Si un cierto nivel de “nombre” ocurre más de 3 veces, quiero eliminar todas las filas que pertenecen a ese nivel.

Escribí este código, pero no puedo hacerlo funcionar.

 as.data.frame(table(unique(df)$name)) subset(df, name > 3) 

Primero, dos alternativas de base . Uno se basa en la table , y el otro en ave y length . Entonces, dos maneras data.table .


1. table

 tt <- table(df$name) df2 <- subset(df, name %in% names(tt[tt < 3])) # or df2 <- df[df$name %in% names(tt[tt < 3]), ] 

Si quieres recorrerlo paso a paso:

 # count each 'name', assign result to an object 'tt' tt <- table(df$name) # which 'name' in 'tt' occur more than three times? # Result is a logical vector that can be used to subset the table 'tt' tt < 3 # from the table, select 'name' that occur < 3 times tt[tt < 3] # ...their names names(tt[tt < 3]) # rows of 'name' in the data frame that matches "the < 3 names" # the result is a logical vector that can be used to subset the data frame 'df' df$name %in% names(tt[tt < 3]) # subset data frame by a logical vector # 'TRUE' rows are kept, 'FALSE' rows are removed. # assign the result to a data frame with a new name df2 <- subset(df, name %in% names(tt[tt < 3])) # or df2 <- df[df$name %in% names(tt[tt < 3]), ] 

2. ave y length

Según lo sugerido por @flodel:

 df[ave(df$x, df$name, FUN = length) < 3, ] 

3. data.table : .N y .SD :

 library(data.table) setDT(df)[, if (.N < 3) .SD, by = name] 

4. data.table : .N y .I :

 setDT(df) df[df[, .I[.N < 3], name]$V1] 

Consulte también el número de observaciones / filas del recuento de preguntas y respuestas relacionado por grupo y agregue el resultado al dataframe .

Usando el paquete dplyr :

 df %>% group_by(name) %>% filter(n() < 4)